MIRACL-VISION は、NVIDIA が 2025 年に公開した多言語ビジュアル検索データセットであり、関連する論文成果は「MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark」です。多言語・マルチモーダル検索パイプラインを評価することを目的としています。

このデータセットには、7,898 件のユーザー質問と 338,734 枚のウィキペディア記事画像および対応するアノテーションが含まれており、アラビア語、ベンガル語、英語、スペイン語、ペルシャ語、フィンランド語、フランス語、ヒンディー語、インドネシア語、日本語、韓国語、ロシア語、スワヒリ語、テルグ語、タイ語、中国語、ヨルバ語など 18 言語をサポートしています。

データセット構成

• 言語サブセット：データセットは 18 言語をカバーし、各言語に対応する独立した設定（config）とデータファイルがあります。

• Queries：ユーザー検索テキストを格納し、Parquet 形式で提供されます。

• Corpus：ウィキペディア記事と対応する画像データを格納し、Parquet 形式で提供されます。

• Qrels：クエリとドキュメント間の関連性情報を格納し、Parquet 形式で提供されます。

• Images：ドキュメントに関連する画像データを格納し、Parquet 形式で提供されます。

Citation

@misc{osmulsk2025miraclvisionlargemultilingualvisual,
      title={MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark}, 
      author={Radek Osmulsk and Gabriel de Souza P. Moreira and Ronay Ak and Mengyao Xu and Benedikt Schifferer and Even Oldridge},
      year={2025},
      eprint={2505.11651},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2505.11651}, 
}